Zwei leistungsstarke Server schaffen bei LifeSpan AI die Grundlage, um komplexe KI-Modelle zu entwickeln und neue Methoden gründlich zu prüfen. Dabei geht es nicht allein um Tempo, sondern auch darum, welche Forschungsfragen sich überhaupt bearbeiten lassen.
Wie verändert sich Gesundheit im Laufe eines Lebens? Welche Anzeichen kündigen Krankheiten an? Und wie lassen sich aus Daten Erkenntnisse gewinnen, die eine gezieltere Prävention ermöglichen? Die DFG-Forschungsgruppe LifeSpan AI entwickelt dafür Methoden der künstlichen Intelligenz. Das Forschungsteam verbindet Informationen aus unterschiedlichen Quellen, untersucht individuelle Gesundheitsverläufe und sucht nach Wegen, statistische Zusammenhänge von ursächlichen Beziehungen zu unterscheiden.
Wenn Daten viele Merkmale enthalten oder aus unterschiedlichen Quellen stammen, Beobachtungen lange Zeiträume abdecken und Modelle komplexe Zusammenhänge lernen sollen, steigen die Anforderungen an Rechenleistung und Speicher. So ist es auch in der Gesundheitsforschung. LifeSpan AI setzt deshalb auf zwei sich ergänzende Systeme: einen GPU-Server für Deep Learning und einen CPU-Server für umfangreiche parallele Berechnungen.
Muster erkennen: der GPU-Server
Der GPU-Server verfügt über acht NVIDIA RTX 6000 Ada Generation-Grafikprozessoren mit jeweils 48 Gigabyte eigenem Speicher. Sie übernehmen die vielen gleichartigen Rechenoperationen, die beim Training und bei der Anwendung neuronaler Netze anfallen. Das ist insbesondere für sogenannte Embedding-Modelle wichtig, die im Laufe des Projekts für unterschiedliche Datenmodalitäten entwickelt werden. Sie übersetzen beispielsweise tabellarische Daten, Sensordaten oder Bilder in numerische Darstellungen, mit denen KI-Modelle weiterarbeiten können. Ziel ist es, relevante Strukturen abzubilden – etwa Ähnlichkeiten zwischen Beobachtungen, die sich in den ursprünglichen Daten nicht unmittelbar erkennen lassen – und eine Grundlage für möglichst präzise Vorhersagen für neue Patientinnen und Patienten zu schaffen.
Der große Speicher je GPU bietet Platz für anspruchsvolle Modelle und die Daten, die sie während ihrer Berechnungen benötigen. Mehrere GPUs ermöglichen es zudem, je nach Verfahren Rechenaufgaben zu verteilen oder unterschiedliche Trainingsläufe gleichzeitig auszuführen. Zwei AMD-EPYC-Prozessoren und 1,5 Terabyte Arbeitsspeicher unterstützen die Aufbereitung und Bereitstellung der Daten.
Methoden auf die Probe stellen: der CPU-Server
Ein KI-Modell zu entwickeln, ist nur ein Teil der Arbeit. Ebenso wichtig ist die Frage: Unter welchen Bedingungen liefert eine Methode verlässliche Ergebnisse – und wo liegen ihre Grenzen? Dafür sind Simulationsstudien ein wichtiges Werkzeug. Forschende erzeugen künstliche Daten, deren Eigenschaften sie kennen, und prüfen daran ihre Verfahren. So lässt sich beispielsweise untersuchen, wie eine Methode auf fehlende Messwerte, unterschiedlich große Stichproben oder komplexe Zusammenhänge reagiert. Gerade wenn Methoden nicht nur Vorhersagen treffen, sondern auch Hinweise auf Ursachen liefern sollen, sind solche kontrollierten Prüfungen wertvoll.
Hier spielt der CPU-Server seine Stärke aus. Seine beiden Prozessoren besitzen zusammen 128 Rechenkerne und unterstützen bis zu 256 gleichzeitig bearbeitete Ausführungsstränge, sogenannte Threads. Viele voneinander unabhängige Simulationsläufe lassen sich so parallel bearbeiten. Auch dieser Server verfügt über 1,5 Terabyte Arbeitsspeicher – ausreichend Spielraum, um umfangreiche Daten und Zwischenergebnisse im Speicher zu halten.
Entwickeln und überprüfen – auf einer starken Grundlage
Die beiden Server erfüllen unterschiedliche Aufgaben, dienen aber demselben Ziel: neue KI-Methoden für die Gesundheitsforschung zu entwickeln und ihre Aussagekraft systematisch zu untersuchen. Der GPU-Server unterstützt das Lernen komplexer Muster. Der CPU-Server ermöglicht breite methodische Tests mit vielen unabhängigen Berechnungen.
Rechenleistung allein macht ein Ergebnis noch nicht verlässlich. Sie schafft aber die Voraussetzungen, mehr Varianten zu vergleichen, Annahmen gründlicher zu prüfen und aufwendige Forschungsfragen praktisch anzugehen. Damit unterstützt die Infrastruktur den Anspruch von LifeSpan AI, Gesundheit über den Lebensverlauf besser zu verstehen und Grundlagen für eine gezieltere Prävention zu schaffen.
Technische Ausstattung im Überblick
GPU-Server:
CPU-Server: